一个基于SqueezeNet和工厂时间序列的点云细分网络
Xingshuo Peng1, Keyuan Wang1, Zelin Zhang1
1College of Information Engineering, Northwest A&F University, Yangling 712100, China.
Journal of imaging
|December 22, 2023
概括
这项研究提出了一种新的深度学习方法,用于对3D植物点云进行细分,从而提高了植物表型的准确性. 这种方法可以通过更好地提取基因特征来改善作物,从而增强精准农业.
科学领域:
- 植物科学 植物科学
- 计算机视觉 计算机视觉
- 农业技术 农业技术
背景情况:
- 精确的植物表型定型对于理解遗传特征和推进精准农业至关重要.
- 细分植物器官的3D点云对于提取表型参数至关重要.
研究的目的:
- 开发一种新的点云下方采样方法,解决样本不平衡问题.
- 使用SqueezeNet原则构建用于工厂点云细分的深度学习框架.
- 通过将时间序列数据作为输入变量来提高细分精度.
主要方法:
- 引入了一种新的点云下方采样技术.
- 基于SqueezeNet的深度学习框架被开发用于语义细分.
- 时间序列数据被整合起来以提高网络性能.
- 应用了MeanShift算法,例如基于语义细分结果的细分.
主要成果:
- 语义细分实现了玉米 (99.35%精度,99.26%回忆,99.30%F1得分,98.61%IOU) 和西红 (97.98%精度,97.92%回忆,97.95%F1得分,95.98%IOU) 的高精度.
- 实例细分精度为玉米达到98.45%,番茄达到96.12%.
- 时间序列数据的整合显著提高了细分精度.
结论:
- 开发的方法有效地对植物点云进行细分,为植物表型提取提供了强大的解决方案.
- 这项研究有助于意识形态选择和精准农业的进步.
- 新型的低采样和深度学习框架显示了农业应用的巨大潜力.
